Ви завантажуєте запис наради — система за секунди визначає мову, запускає faster-whisper на GPU і через 5–10 хвилин видає готовий транскрипт з розміткою спікерів. Але це лише половина справи. Без веб-інтерфейсу ви не зможете відредагувати помилки, додати анотації або експортувати в потрібний формат. Ми будуємо завершене рішення: завантаження, фонове розпізнавання, інтерактивний редактор і експорт. Такий продукт можна використовувати як внутрішній сервіс або запустити як SaaS.
Як працює AI-транскрибація з веб-інтерфейсом?
Backend на FastAPI приймає файл, ставить задачу в чергу через Celery і Redis, воркер з faster-whisper на GPU обробляє аудіо, а після завершення результат зберігається в PostgreSQL. Frontend на React поллить статус і відображає транскрипт. Весь пайплайн — від завантаження до експорту — займає від 5 хвилин для годинного запису. Ключовий компонент — faster-whisper, він дає 4x прискорення інференсу порівняно з базовим Whisper.
Проблеми, які вирішуємо: швидкість, точність, конфіденційність
Перший головний біль — низька якість при шумних записах або розмовах кількох людей. Ми використовуємо faster-whisper з денойзом (Noise Suppression) — це знижує WER (Word Error Rate) на 15–20% порівняно з базовим Whisper. Друга проблема — латентність при зростанні навантаження. Архітектура на Celery і Redis дозволяє горизонтально масштабувати воркери. Третя — безпека: аудіо може містити конфіденційні дані, тому шифруємо все на етапах зберігання та передачі. faster-whisper — ключовий компонент, що забезпечує до 4x прискорення інференсу.
Що дає fine-tuning Whisper?
Базова модель Whisper показує точність 92–95% на загальній російській мові. Якщо ваша предметна область — медицина, юриспруденція або технічна документація — fine-tuning на ваших даних піднімає точність до 98%. Ми донавчаємо модель на датасеті з 100–500 годин розмічених аудіозаписів. Середня вартість такого датасету варіюється, але зазвичай окупається за 2–3 місяці за рахунок скорочення ручних правок. Наш досвід показує, що після fine-tuning кількість помилок у специфічних термінах падає в 2–3 рази.
Як ми будуємо систему?
Ми проектуємо рішення під ваше навантаження. Нижче — стек, який використовуємо в більшості проектів:
- Backend: FastAPI + Celery + Redis
- Frontend: React + TypeScript + Tailwind
- STT: faster-whisper (GPU) + хмарний fallback
- Storage: S3 (MinIO для on-premise)
- DB: PostgreSQL
Backend API (приклад)
from fastapi import FastAPI, UploadFile, BackgroundTasks
from celery import Celery
import uuid
app = FastAPI()
celery = Celery('transcription', broker='redis://localhost:6379/0')
@app.post("/api/transcription/upload")
async def upload_audio(
file: UploadFile,
language: str = "ru",
speakers: int = None,
user_id: str = Depends(get_current_user)
):
job_id = str(uuid.uuid4())
file_path = await save_to_storage(file, job_id)
job = await db.transcription_jobs.insert_one({
"id": job_id,
"user_id": user_id,
"status": "queued",
"file_path": file_path,
"language": language,
"created_at": datetime.utcnow()
})
celery.send_task(
'transcribe_audio',
args=[job_id, file_path, language, speakers]
)
return {"job_id": job_id, "status": "queued"}
@app.get("/api/transcription/{job_id}")
async def get_transcription(job_id: str, user_id = Depends(get_current_user)):
job = await db.transcription_jobs.find_one({"id": job_id, "user_id": user_id})
if not job:
raise HTTPException(404)
return job
React компонент завантаження
const TranscriptionUploader: React.FC = () => {
const [status, setStatus] = useState<'idle'|'uploading'|'processing'|'done'>('idle');
const [jobId, setJobId] = useState<string>();
const [transcript, setTranscript] = useState<string>();
const handleUpload = async (file: File) => {
setStatus('uploading');
const form = new FormData();
form.append('file', file);
form.append('language', 'ru');
const { job_id } = await api.post('/transcription/upload', form);
setJobId(job_id);
setStatus('processing');
const interval = setInterval(async () => {
const job = await api.get(`/transcription/${job_id}`);
if (job.status === 'completed') {
setTranscript(job.transcript);
setStatus('done');
clearInterval(interval);
}
}, 3000);
};
return (
<div>
<FileDropzone onFile={handleUpload} accept="audio/*,video/*" />
{status === 'processing' && <ProgressSpinner jobId={jobId} />}
{transcript && <TranscriptEditor text={transcript} jobId={jobId} />}
</div>
);
};
Порівняння: self-hosted vs хмарний STT
| Параметр | Self-hosted (faster-whisper) | Хмарний (наприклад, Speech-to-Text) |
|---|---|---|
| Ціна за 1 годину аудіо | значно дешевше (тільки електрика) | дорожче (від $2) |
| Конфіденційність | повний контроль | дані покидають сервер |
| Латентність p99 | <10 сек | 50–200 мс + мережа |
| Масштабування | обмежено залізом | еластично |
| Кастомна модель | так (fine-tuning) | ні |
Self-hosted варіант окупається при об'ємах від 500 годин на місяць: економія сягає 90–95%. При 1000 годин на місяць хмарний STT обійдеться в $2000, а self-hosted — тільки вартість електрики та амортизації GPU (T4 або A10). Це дає економію до $1900 на місяць. Гарантія стабільної роботи — наш досвід впровадження у 12 проектах.
Редактор транскрипту та експорт
У редакторі можна правити слова, перемикати спікерів, додавати анотації. Підсвічування слів з низьким confidence (<0.7) прискорює рев'ю. Експорт у формати:
| Формат | Використання |
|---|---|
| SRT | Субтитри для відео |
| VTT | Веб-субтитри (HTML5) |
| DOCX | Документація, звіти |
| JSON | Інтеграція з CRM |
Етапи роботи над проектом
- Аналіз вимог — збираємо сценарії, вимоги до точності, обсягів, безпеки.
- Проектування архітектури — обираємо оптимальний стек під вашу інфраструктуру.
- Розробка backend — реалізуємо API завантаження, чергу завдань, обробку через faster-whisper.
- Розробка frontend — інтерфейс завантаження, статус-бар, редактор транскрипту.
- Інтеграція та тестування — підключаємо CRM, проводимо навантажувальне тестування.
- Деплой та підтримка — розгортаємо на серверах, документація, навчання команди.
Що входить у результат
- Архітектурна схема
- Репозиторій з backend та frontend
- Налаштування CI/CD та інфраструктури (Docker Compose / Kubernetes)
- Інтеграція з корпоративним порталом або CRM
- Технічна документація та інструкція користувача
- Навчання команди (1–2 сесії)
- 2 тижні підтримки після запуску
Орієнтовні терміни
- MVP із завантаженням та базовим інтерфейсом — 2–3 тижні
- Повноцінна система з редактором, командними функціями та fine-tuning — 1,5–2 місяці
Як уникнути типових помилок?
- Низька якість аудіо (шум, перекриття) — вирішуємо денойз-препроцесингом.
- Висока латентність — оптимізуємо batch processing та GPU utilization.
- Відсутність розмітки спікерів — застосовуємо embedding-кластеризацію голосів.
- Ризик витоку даних — шифрування та on-premise розгортання.
Зв'яжіться з нами для оцінки вашого проекту. Замовте розробку системи транскрибації під ключ. Отримайте консультацію вже сьогодні.